基于大数据的乘客信息加密算法的制作方法

1.本发明涉及本发明属于信息安全技术领域，具体涉及一种基于大数据的乘客信息加密算法。


背景技术：

2.在传统的属性加密算法中，加密者把密文消息发送给解密用户的同时，将访问结构一同发给用户，但有时访问结构本身就包含隐私信息。然而，在现有的隐藏访问结构的cp
‑
abe方案中，大多数方案的访问控制仅仅满足与门结构，无法实现属性密码对于细粒度访问控制的要求。少数满足细粒度访问结构的方案，由于密钥和密文太长以及运算量过大都无法满足现实需求，实用性不强。


技术实现要素：

3.本发明的主要目的在于提供一种基于大数据的乘客信息加密算法，解决了现有的乘客属性加密算法处理方式单一的技术问题。
4.本技术的提出了一种基于大数据的乘客信息加密算法，该方法包括：基于神经网络计算用户出行数据与第一出行模型，第二出行模型以及第三出行模型的相似度；基于用户身份生成输出系统公钥，保存主密钥；输入主密钥，基于相似度最少选取其中一组的用户的属性列表分组计算k个属性的密钥；输入公钥、消息以及访问树；输入公钥，私钥，密文和残缺的访问结构；如果用户的属性满足整个访问控制结构，通过递归计算，可以得到根节点秘密值并成功计算明文；其中，用户的属性列表包括出发时间，出发地点以及目的地三个属性列表。
5.优选地，统计与用户出发时间相同的订单数据，以订单数据中出发地点最集中的出行路线设置为第一出行模型；统计与用户出发时间相同的订单数据，以订单数据中目的地最集中的出行路线设置为第二出行模型；统计与用户出发路线相同的订单数据，以订单数据中出发时间最集中的出行路线设置为第三出行模型。
6.优选地，所述统计与用户出发路线相同的订单数据，以订单数据中出发时间最集中的出行路线设置为第三出行模型包括：统计订单数据中与用户出发地点小于预设阈值的统计出发地点；统计订单数据中与用户目的地小于预设阈值的统计目的地；统计订单数据中连接统计出发地点和统计目的地的出发路线即为与用户出发路线相同的路线。
7.优选地，所述基于神经网络计算用户出行数据与第一出行模型，第二出行模型以及第三出行模型的相似度包括：基于神经网络统计用户出发地点与订单数据中出发地点的第一相似度，所述第一相似度为用户出行数据与第一出行模型的相似度；基于神经网络统计用户目的地与订单数据中出发地点的第二相似度，所述第二相似度为用户出行数据与第二出行模型的相似度；基于神经网络统计用户的出发时间与订单数据中出发地点的第三相似度，所述第三相似度为用户出行数据与第三出行模型的相似度。
8.优选地，所述输入主密钥，基于相似度选取其中一组的用户的属性列表分组计算k
个属性的密钥包括：
9.若用户出行数据与第一出行模型的相似度最大，则选择将用户目的地和/或用户出发时间来分组计算k个属性的密钥，并选择订单数据中出发地点作为用户出发地点。
10.优选地，所述输入主密钥，基于相似度选取其中一组的用户的属性列表分组计算k个属性的密钥包括：
11.若用户出行数据与第二出行模型的相似度最大，则选择将用户出发地点和/或用户出发时间来分组计算k个属性的密钥，并选择订单数据中目的地作为用户目的地。
12.优选地，所述输入主密钥，基于相似度选取其中一组的用户的属性列表分组计算k个属性的密钥包括：若用户出行数据与第三出行模型的相似度最大，则选择将用户出发时间来分组计算k个属性的密钥，并选择订单数据中出发地点作为用户出发地点且选择订单数据中目的地作为用户目的地。
13.基于用户身份加密和属性加密的双重算法对用户信息保护的方法，结果满足乘客个人信息保护需求，得出在大数据环境下用户身份和属性双重加密能够提高用户个人信息的保护能力，同时可以根据用户的出行数据第一出行模型，第二出行模型以及第三出行模型的相似度来现在看需要进行加密的属性，从而可以减少加密的复杂程度。
附图说明
14.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
15.图1为本发明基于大数据的乘客信息加密算法的流程图；
16.图2为本发明基于大数据的乘客信息加密算法另外一实施例的流程图。
17.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
18.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
20.另外，在本发明中涉及第一、第二等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有第一、第二的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
21.本技术的提出了一种基于大数据的乘客信息加密算法，参考图1
‑
2，该方法包括：
步骤s1，基于神经网络计算用户出行数据与第一出行模型，第二出行模型以及第三出行模型的相似度；步骤s2基于用户身份生成输出系统公钥，保存主密钥；输入主密钥，基于相似度最少选取其中一组的用户的属性列表分组计算k个属性的密钥；步骤s3；输入公钥、消息以及访问树；输入公钥，私钥，密文和残缺的访问结构；如果用户的属性满足整个访问控制结构，通过递归计算，可以得到根节点秘密值并成功计算明文；其中，用户的属性列表包括出发时间，出发地点以及目的地三个属性列表。
22.基于用户身份加密和属性加密的双重算法对用户信息保护的方法，结果满足乘客个人信息保护需求，得出在大数据环境下用户身份和属性双重加密能够提高用户个人信息的保护能力，同时可以根据用户的出行数据第一出行模型，第二出行模型以及第三出行模型的相似度来现在看需要进行加密的属性，从而可以减少加密的复杂程度。
23.优选地，统计与用户出发时间相同的订单数据，以订单数据中出发地点最集中的出行路线设置为第一出行模型；统计与用户出发时间相同的订单数据，以订单数据中目的地最集中的出行路线设置为第二出行模型；统计与用户出发路线相同的订单数据，以订单数据中出发时间最集中的出行路线设置为第三出行模型。
24.优选地，统计与用户出发路线相同的订单数据，以订单数据中出发时间最集中的出行路线设置为第三出行模型包括：统计订单数据中与用户出发地点小于预设阈值的统计出发地点；统计订单数据中与用户目的地小于预设阈值的统计目的地；统计订单数据中连接统计出发地点和统计目的地的出发路线即为与用户出发路线相同的路线。
25.优选地，步骤s11，基于神经网络计算用户出行数据与第一出行模型，第二出行模型以及第三出行模型的相似度包括：基于神经网络统计用户出发地点与订单数据中出发地点的第一相似度，第一相似度为用户出行数据与第一出行模型的相似度；步骤s12，基于神经网络统计用户目的地与订单数据中出发地点的第二相似度，第二相似度为用户出行数据与第二出行模型的相似度。步骤s13，基于神经网络统计用户的出发时间与订单数据中出发地点的第三相似度，第三相似度为用户出行数据与第三出行模型的相似度。
26.优选地，步骤2，输入主密钥，基于相似度选取其中一组的用户的属性列表分组计算k个属性的密钥包括：
27.步骤21，若用户出行数据与第一出行模型的相似度最大，则选择将用户目的地和/或用户出发时间来分组计算k个属性的密钥，并选择订单数据中出发地点作为用户出发地点。
28.优选地，步骤2，输入主密钥，基于相似度选取其中一组的用户的属性列表分组计算k个属性的密钥包括：
29.步骤22，若用户出行数据与第二出行模型的相似度最大，则选择将用户出发地点和/或用户出发时间来分组计算k个属性的密钥，并选择订单数据中目的地作为用户目的地。
30.优选地，步骤2，输入主密钥，基于相似度选取其中一组的用户的属性列表分组计算k个属性的密钥包括：步骤23，若用户出行数据与第三出行模型的相似度最大，则选择将用户出发时间来分组计算k个属性的密钥，并选择订单数据中出发地点作为用户出发地点且选择订单数据中目的地作为用户目的地。
31.以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本
发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。